高光譜圖像技術(shù)在肉品檢測中的研究進展

鄭素羅 王潤博

1.河南御江食品股份有限公司 河南漯河 462300 2.河南工業(yè)大學漯河工學院 河南漯河 462300

隨著生活水平的不斷提高，人們對各種肉及其制品的需求量越來越大，對肉品在安全性和營養(yǎng)性上的要求也越來越高。而市場上存在肉類摻假現(xiàn)象[1]，并且臘肉[2]、香腸[3，4]、肉松[5]、臘腸[6]等肉制品分級混亂，缺乏快速無損檢測方式。所以，肉品的實時檢測技術(shù)方法亟需研究。

現(xiàn)階段，肉品檢測技術(shù)有：酶聯(lián)免疫檢測、熒光PCR定量檢測、電子鼻分析檢測、近紅外特征光譜技術(shù)、高光譜成像技術(shù)以及核磁共振技術(shù)等[7]。其中，高光譜儀器具有分辨率高、檢測速度快、無破壞等特點，融合了樣本圖像信息和光譜信息，可在較大波段范圍內(nèi)采集得到樣本每個波長下的圖像數(shù)據(jù)，樣本各成分在某一波長處有獨特的官能團屬性，高光譜圖像中每個點處的光譜信息可以表征該點的成分構(gòu)成，每個波長下的圖像信息可以表征物體內(nèi)外的空間性狀[8]。所以，高光譜圖像技術(shù)能夠通過檢測肉品嫩度、色澤、纖維結(jié)構(gòu)、各種營養(yǎng)成分或有毒有害成分含量等，滿足人們對肉品安全指標高效和高精確度檢測，實現(xiàn)肉品內(nèi)外質(zhì)量分析[9，11]和可視化表達[12，13]。該技術(shù)較為廣泛運用在各種肉品的快速、無損、在線檢測[14～17]，并逐步實用化[18]。

1 高光譜成像技術(shù)

1.1 高光譜成像原理與圖像采集

高光譜成像系統(tǒng)主要由光纖鹵素燈、高分辨率攝像機、電荷耦合探測器、計算機軟件平臺、傳送裝置組成(圖1)。為獲得理想?yún)^(qū)域，根據(jù)樣本大小及形狀不同，在計算機軟件采集平臺上設(shè)定合適的高光譜掃描范圍Width和Height。每幅高光譜圖像的行數(shù)為Height，每行的像素點為Width個，故每個波長下高光譜圖像分辨率為Width×Height。采集樣本高光譜數(shù)據(jù)時，高分辨率攝像機的線陣探測器在傳送帶前進方向的垂直方向做橫向掃描，得到每個像素點在所有波長處的數(shù)據(jù)信息。同時隨著輸送帶的前進，完成所設(shè)定區(qū)域數(shù)據(jù)的采集。最終，原始高光譜圖像信息可表示為Width×Height×λ的三維矩陣(λ是高光譜儀器的總波段數(shù))。

圖1 高光譜圖像采集系統(tǒng)

1.2 高光譜圖像的定性定量分析

高光譜技術(shù)在肉品定性定量檢測分析中的判別流程，如圖2。

圖2 高光譜技術(shù)定性定量分析判別流程

首先用SICap-STVR V1.0.x軟件平臺采集高光譜圖像，然后在ENVI軟件中選擇感興趣區(qū)域或性狀，并計算任一波長下感興趣區(qū)域圖像的平均光譜值。再將所提取的平均光譜值，經(jīng)過MATLAB軟件黑白校正和光譜預處理程序后得到初始輸入數(shù)據(jù)。光譜預處理方法有：基線校正、標準正態(tài)變量校正、多元散射校正、高斯濾波平滑、歸一化校正等[19]。

如圖2所示，初始數(shù)據(jù)可以直接作為輸入建立模型，也可以減少信息冗余，為快速計算，采用回歸系數(shù)法、逐步回歸法、連續(xù)投影算法、遺傳算法、競爭性自適應(yīng)重加權(quán)算法和二維相關(guān)光譜分析等方法選擇具有代表性的特征波長[20，21]，僅用某些波段下的光譜數(shù)據(jù)建立模型?；蛘?，提取特征波長下圖像的光譜信息和圖像特征，利用兩方面的特征融合，建立定性或定量分析模型[22]。

定性定量判定模型建立技術(shù)方法有：偏最小二乘回歸、逐步多元線性回歸、支持向量機和神經(jīng)網(wǎng)絡(luò)等[23]。根據(jù)樣本多少或?qū)Ρ饶Ｐ皖A測結(jié)果，選擇合適的建模方法。

2 高光譜成像技術(shù)應(yīng)用于肉品品質(zhì)和安全性評價中的研究

肉品種類繁多，可以分為家禽肉類、海鮮肉類和腌制肉類三大類[24]。肉的嫩度、色澤、保水性、營養(yǎng)成分含量及是否摻假等，是肉品品質(zhì)和安全性評價的主要指標[25，26]。下面對高光譜技術(shù)應(yīng)用于肉品檢測研究做簡要匯總。

2.1 肉品品質(zhì)檢測研究

2.1.1 顏色屬性

Sw A[27](2022)等采用可見光-近紅外高光譜成像系統(tǒng)對大黃魚魚片低溫貯藏過程中顏色變化進行監(jiān)測。結(jié)合以泄漏校正線性單元為權(quán)能的前饋神經(jīng)網(wǎng)絡(luò)，利用簡化的FNN-Leaky-Relu模型證實其可以替代傳統(tǒng)色度計,快速、無創(chuàng)測定魚片顏色測量中的空間分布。孫宗保[28](2021)等采用競爭性自適應(yīng)重加權(quán)算法和區(qū)間變量迭代空間收縮方法篩選的相關(guān)變量建立偏最小二乘模型，對三文魚的顏色、剪切力和K值進行預測，實現(xiàn)三文魚多指標快檢和可視化分布。Chaudhry M M A[29](2021)等采用基于光子學的多元模式識別技術(shù)，利用550～690nm波長范圍內(nèi)的顏色屬性預測野牛肌肉樣本的穩(wěn)定性。Chendie N[30](2020)等采用逐次投影算法選擇光譜數(shù)據(jù)的特征波長，建立了基于四種光譜預處理方法的定量回歸模型，來預測與金華干腌火腿質(zhì)量高度相關(guān)的特征顏色指標，根據(jù)顏色特征監(jiān)測火腿質(zhì)量。Jiang H[31](2018)等證實高光譜成像可以評估宰后24h雞肉的顏色和pH值。

2.1.2 肉品中營養(yǎng)物質(zhì)的含量研究

肉類肌肉組織的營養(yǎng)成分構(gòu)成為約75%水、20%蛋白質(zhì)、5%脂肪、少量碳水化合物和礦物質(zhì)[32]。Liu Y[33](2018)等建立模型預測微波加熱過程中牛肉的含水量和顏色變化，并繪制了分布圖。ElMasry G M[34](2021)等采用切片干腌火腿建立偏最小二乘預測模型，實現(xiàn)了對脂肪、水分、鹽分和蛋白質(zhì)含量的準確預測和各成分的直觀分布。郭建宏[35](2021)等采用多種光譜預處理方法和特征波長選擇方法，并進行比較，最終得到油酸和硬脂酸兩種特殊脂肪酸的最優(yōu)預測模型，并實現(xiàn)了兩者在羊肉樣本高光譜圖像上的可視性表達。

2.2 肉品安全性評價研究

2.2.1 肉品摻假檢測

Zheng X C[36](2019)等利用參考光譜的多重平均值和相對空間分布系數(shù)降低光譜噪聲，選用特殊波段創(chuàng)建偏最小二乘預測模型，實現(xiàn)基于可見近紅外波段高光譜成像系統(tǒng)驗證羊肉末摻假鴨肉的快速、無損檢測方法。Zhao H T[37](2019)等提出了一種新的特征波長選擇方法“入侵雜草優(yōu)化”，建立最小二乘支持向量機簡化模型，來預測牛肉變質(zhì)摻假的現(xiàn)象，將優(yōu)化模型應(yīng)用于像素級高光譜圖像，實現(xiàn)新鮮碎牛肉中變質(zhì)牛肉摻假物分布的可視化。於海明[38](2019)等采用傅里葉變換提取豬肉樣本的頻譜特征，建立神經(jīng)網(wǎng)絡(luò)分類識別模型，實現(xiàn)對正常豬肉和注水豬肉的分類檢測，正確率達98.8%。孫宗寶[39](2020)等選用適合于摻豬肉和摻雞肉牛肉丸樣本的最佳光譜預處理方法，并比較多種不同特征波長篩選方法，創(chuàng)建偏最小二乘模型預測牛肉丸中摻假豬肉和雞肉的量。王偉[40](2019)等利用高光譜成像技術(shù)快速無損檢測生鮮雞肉糜中超量添加大豆蛋白，并提高3種大豆蛋白的檢測限，完成了多種大豆蛋白和其摻假梯度的可視表達。

2.2.2 肉品中有害成分含量檢測

Ubonrat S[41](2018)等借助高光譜成像技術(shù)，采集了400～1 000nm波長范圍內(nèi)香腸在4℃儲存期間的反射光譜，使用典型相關(guān)分析研究了質(zhì)量屬性與光譜反射率之間的關(guān)系，對乳酸菌、pH值、硫代巴比妥酸、氣味、顏色、總活菌數(shù)和整體可接受性等特征進行了監(jiān)測。將選定的波長組合成多光譜數(shù)據(jù)，并用作輸入變量，優(yōu)化偏最小二乘回歸和人工神經(jīng)網(wǎng)絡(luò)模型，以預測香腸樣品的質(zhì)量屬性。王天真[42](2020)利用高光譜技術(shù)預測不同貯藏時期調(diào)理牛排的新鮮度指標揮發(fā)性鹽基氮和硫代巴比妥酸的含量。程麗娟[43](2020)等采用多種方法進行光譜預處理和優(yōu)選變量，快速無損檢測灘羊肉中高鐵肌紅蛋白的含量。劉崢[44](2019)等選用不同保藏階段的香腸為樣本，高光譜數(shù)據(jù)采集后，經(jīng)過SG光譜預處理和提取典型波長，對比不同輸入數(shù)據(jù)和建模方法，快速檢測香腸中亞硝酸鹽含量。

2.2.3 肉品中腐敗菌檢測

何鴻舉[45](2020)等采用連續(xù)投影法從基線校正預處理光譜中篩選出21個特征波段，通過化學計量學算法構(gòu)建模型，預測雞胸肉中乳酸菌的含量。王浩云[46](2020)等采用競爭性自適應(yīng)重加權(quán)算法篩選特征波長，然后基于鳥群算法和免疫算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立可以預測雞肉中菌落總數(shù)的模型，且穩(wěn)定性較好。Yu X[47](2019)等運用堆疊式自動編碼器作為大數(shù)據(jù)分析方法，從4℃貯藏的去皮蝦近紅外高光譜圖像中提取20個深度高光譜特征，并利用提取的特征通過全連接神經(jīng)網(wǎng)絡(luò)預測去皮白蝦中總活菌數(shù)。郭培源[48](2019)等利用高光譜圖像技術(shù)結(jié)合支持向量積回歸和迭代決策樹方法，預測香腸的菌落總數(shù)。

3 結(jié)論與展望

綜上所述，高光譜檢測肉品內(nèi)外品質(zhì)、摻假、營養(yǎng)成分和有毒有害成分含量、腐敗菌數(shù)量等具有可行性。但檢測限、準確度和穩(wěn)健性仍有待探討和研究，并且在線實時檢測和日常實用儀器也有待開發(fā)。高光譜技術(shù)硬件方面可以考慮簡化高光譜采集系統(tǒng)、降低成本、增大波長范圍、縮小波段間隔、提高攝相機的性能和分辨率等；軟件方面需結(jié)合化學計量學方法，不斷探索，引入更快、更簡單、更精確的算法實現(xiàn)對大量數(shù)據(jù)的分析處理和模型建立。